i. 主要是使用了自回归的方式，自回归就是一遍一遍循环，每次循环前将之前已经有的轨迹放入，所以生成下一个点之前都会考虑之前的轨迹情况。i.time encoder – 将时间信息用transformer和position emb进行融合，加入到特征中。i. sample会有多个轨迹，也是以自回归的方式。参考了这篇博文：https://zhuanlan.zhihu.com/p/512764984。i

每个grid都有自己的constant memory和texture memory（用于增加3D模型真实感和细节的图像数据块，通常以二维或三维图像的形式存储在GPU的显存中，并通过专用的纹理硬件和缓存来高效读取和处理，从而映射到模型表面，实现丰富的视觉效果）GPU的主要特点是由非常多算力比较低的核，而CPU是有几个算力比较大的但是数量比较少的核。所以CPU适合串行计算，GPU适合并行计算，而连接C

https://zhuanlan.zhihu.com/p/513387413onnx中有的算子以及接口函数https://github.com/onnx/onnx/blob/main/docs/Operators.md#Coshhttps://github.com/pytorch/pytorch/tree/master/torch/onnxhttps://zhuanlan.zhihu.com/p/

参考博客：https://blog.csdn.net/m0_48100146/article/details/135683444。Modality Embedding Query是可学习的embedding, 类似于multipath++中的query。除了上述模型结构的特点，还增加了一个辅助判碰撞loss。这篇文章的思路还是很清晰的，直接看图就能看懂。

策略定义了智能体对于给定状态所做出的行为，换句话说，就是一个从状态到行为的映射，事实上状态包括了环境状态和智能体状态，这里我们是从智能体出发的，也就是指智能体所感知到的状态。